XiaoMi-AI文件搜索系统
World File Search System编码器
新生儿脑连接使用变量自动编码器
功能磁共振成像（fMRI）的摘要最新进展有助于以前的早期产前和新生儿脑发育的无法访问的轨迹。迄今为止，胎儿 - 神经fMRI数据的解释依赖于线性分析模型，类似于成人神经成像数据。但是，与成人大脑不同，胎儿和新生大脑的发展迅速，超过了整个寿命的任何其他大脑发育期。因此，在沿着产前 - 神经期连续体的大脑发育的关键时期，传统的线性计算模型可能无法充分捕获这些加速且复杂的神经发育轨迹。为了获得对胎儿 - 神经性大脑发育的细微理解，包括非线性增长，我们首次开发了数量的，全系统范围的大脑对大脑活动的代表（胎儿（> 500）（> 500）的（> 500）的早产和完整的新生儿，使用了一种不受欢迎的模型，以优于替代的综合模型，以前陈述了一种模型（Vae），以前是一种模型（Vae），以前是一种模型（Vae），以前是一种模型（VAI），是一种模型，是一种模型，是一种模型）健康成年人的数据。在这里，我们证明了非线性脑特征，即潜在变量，该特征是在人类成年人的RSFMRI上预先介绍的，具有重要的个体神经特征，携带了重要的个体神经特征，从而改善了产前神经性脑脑成熟模式的表示，并具有更准确的和稳定的年龄预测与新生酸盐群体相比，并具有稳定的年龄预测。使用VAE解码器，我们还揭示了跨越感觉和默认模式网络的不同功能性脑网络。使用vae，我们能够可靠地捕获和量化复合物，非线性胎儿 - 神经性神经连通性。这将为详细绘制其起源于胎儿生活的健康和异常功能性脑签名的详细映射。
使用变异自动编码器生成波动率表面
这项研究对在指数股票市场的背景下对变量自动编码器（VAE）的利用进行了深入探索，这是期权定价的关键方面。此外，我们的研究还研究了有关现货价格爆发的神经网络作品的预测能力，并具有专门的现场模型，以预测基于现货动态的波动性表面的变化。通过VAE的全面数据处理和结构化，我们创建了一个模型，该模型能够从仅10点信息点生成准确且几乎无套的无动力表面。该模型也证明了在生成以前看不见的基本资产的波动表面方面的促进效率。将现货价格变化作为条件变量，我们成功地创建了一个强大的风险管理工具，能够预测各种未来情况的波动表面。
实现脑电信号自动编码器压缩的机械可解释性
脑电图 (EEG) 是一种非侵入性工具，通过将电极放置在人体头皮上来测量大脑活动，从而检测神经元放电电压。虽然 EEG 技术存在信噪比差和仅捕获表面大脑活动等局限性，但它仍然是诊断癫痫和睡眠障碍等疾病的可靠方法 [ 1 ]。自动编码器 [ 2 ] 是一类特殊的神经网络，用作编码器-解码器对。编码器通过逐步减少各层的神经元数量，最终达到瓶颈层，将输入数据压缩为压缩表示，称为潜在空间。相反，解码器通过逐渐增加后续层中的神经元数量从这种压缩形式重建输入数据。这种压缩和重建过程使网络能够有效地捕获输入数据的显着特征。卷积变分自动编码器 (CVAE) [ 3 , 4 ] 通过合并卷积层扩展了此框架，使其特别适合处理图像数据。与标准自动编码器不同，CVAE 生成概率潜在空间。这种概率方法有助于学习稳健的特征，并增强模型生成类似于训练数据的新数据实例的能力。利用卷积层，CVAE 可以利用数据中的空间层次结构，从而增强其分析和重建图像数据中固有的复杂模式和纹理的能力。因此，CVAE 在要求详细
vprom：一种新颖的变异自动编码器增强的减少...
减少的订单模型（ROM）在计算时间带来困难的许多工程领域都非常重要。已建立的方法采用基于投影的减少，例如正交分解。该运算符的线性性质的限制通常是通过局部还原子空间库来解决的，该库需要众多本地ROM来解决参数依赖性。我们的工作试图定义参数输入和减少基础之间的更广泛的映射，以实现生成建模的目的。我们建议使用变分自动编码器（VAE）代替典型使用的聚类或互插操作，以推断基本向量，称为模式，该模式近似于任何和每个参数输入状态的模型响应的流形。衍生的ROM仍然依赖于投影库，该投影库是基于全订单模型模拟而构建的，从而保留了刻痕的物理内涵。但是，它另外利用了系数的矩阵，该矩阵将每个局部样品响应和动力学与参数输入域之间的全局现象相关联。VAE方案用于近似任何输入状态的这些系数。这种耦合导致高精油的低阶表示，这特别适合模型依赖性或激发性状导致动态行为跨越多个响应制度的问题。对VAE表示的概率处理允许在还原碱基上进行不确定性定量，然后可以将其传播到ROM响应中。在具有磁滞和多参数依赖性的开放式仿真基准和以非线性材料行为和模型不确定性为特征的大型风力涡轮机塔上，在开放式仿真基准上进行了验证。
使用自编码器进行电磁头部跟踪的数据预测...
摘要。在航空电子设备中，飞行员使用头盔显示器 (HMD) 在护目镜上显示外部环境的同步视图和与飞机相关的重要参数。为了完美同步护目镜上的视图，必须同步外部环境的坐标以及飞行员头部运动的坐标。为了定位飞行员头部运动的坐标，称为头部跟踪的过程起着重要作用。头部跟踪可以使用不同的跟踪技术执行，例如光学跟踪、磁跟踪或惯性跟踪。在本文中，六自由度 (6-DoF) 磁运动跟踪装置 (Polhemus Patriot TM ) 用于在模拟器床上实时获取飞行员头部运动的坐标。在跟踪器采集过程中，由于铁磁性引起的磁场干扰，数据可能会丢失。为此，采用自修复神经模型 (SHNM) 来预测丢失的数据。用于恢复的数据有 5200 个 6-DoF 头部运动样本。SHNM 对三组不同的缺失数据的预测准确率超过 85%。将所提模型预测数据的准确率与反向传播神经网络 (BPNN) 模型进行了比较，结果发现 SHNM 模型的准确率优于 BPNN 模型
binning符合分类法：使用双模式变异自动编码器
研究微生物组的常见程序是将测序的28个重叠群固定到元基因组组装的基因组中。当前，使用共同含量和基于序列的30个基序（例如四核苷酸频率）是Metagenome 31 binning的最先进的基于共同学习和序列的基于深度学习的方法。从基于对齐的分类得出的分类标签尚未被广泛使用。在这里，我们提出了一种基于半监督的双模式变异自动编码器的元基因组包装工具33，结合了Tetranu-34克利托德频率，与CONTIG共浸没量与CONTIG注释与任何分类分类级的35个分类级返回了35个。taxvamb在CAMI2 Human Microbiome数据集上的所有其他36个BINNER都优于所有其他36个Binner，平均返回40％37个接近完整的组件比下一个最佳BINNER。在实际的长阅读38个数据集上，税收vamb平均恢复了13％的接近完整垃圾箱和14％的39种。在单样本设置中使用时，平均退税量比VAMB高40 83％。taxvamb垃圾箱不完整的基因组比任何其他工具都要好41个，返回255％的高质量垃圾箱42不完整的基因组比下一个最好的binner。我们的方法具有43个研究和工业应用以及方法论新颖性，可以将44个可以通过半监视的多模式45个数据集转化为其他生物学问题。46
变分自动编码器用于多系统可靠性优化
摘要 — 多接入边缘计算 (MEC) 被视为未来无线网络不可或缺的一部分，用于支持对服务可靠性和延迟有严格要求的新应用。然而，由于无线链路的不确定性、有限的通信和计算资源以及动态网络流量，保证超可靠和低延迟 MEC (URLL MEC) 非常具有挑战性。启用 URLL MEC 要求考虑到无线和边缘计算系统中端到端 (E2E) 延迟和可靠性的统计数据。在本文中，提出了一种新颖的框架，通过考虑 E2E 服务延迟的分布来优化 MEC 网络的可靠性，包括无线传输和边缘计算延迟。所提出的框架基于相关变分自动编码器 (VAE) 来估计 E2E 服务延迟的完整分布。利用该结果，提出了一个基于风险理论的新优化问题，通过最小化条件风险价值 (CVaR) 作为 E2E 服务延迟的风险度量来最大化网络可靠性。为了解决这个问题，开发了一种新算法，可以有效地将用户的处理任务分配给 MEC 网络上的边缘计算服务器，同时考虑 VAE 学习到的 E2E 服务延迟的统计数据。模拟结果表明，所提出的方案优于几个不考虑 E2E 服务延迟风险分析或统计的基线。
合成DNA数据存储的熵编码器的旋转标记
摘要 - 过去几年，数据存储需求的不断增长的趋势激发了对替代数据存储系统的研究。由于其生化特征，合成DNA分子被认为是新存储范式的潜在候选者。由于这种趋势，在过去几年中提出了几种编码解决方案，以将数字信息存储到DNA中。尽管是一个有前途的解决方案，但DNA存储仍面临两个主要障碍：合成的巨大成本和测序过程中引入的噪声。此外，当未尊重生化定义的编码约束时，这种噪声会增加：避免均聚物和模式以及平衡GC含量。本文描述了一种新颖的熵编码器，该编码器可以嵌入到任何基于块的图像编码模式中，并旨在鲁棒化解码结果。我们提出的解决方案在生成的第四纪流中引入了可变性，减少了均聚物和重复模式的量，以降低发生错误的可能性。在限制代码以更好地满足约束的同时会降低压缩效率，但在这项工作中，我们提出了一种替代方法，以进一步稳健地稳健地稳健不存在的代码而不会影响压缩率。为此，我们将提出的熵编码器集成到了四个现有的JPEG启发的DNA编码器中。然后，我们通过提供特定的评估指标来评估所有不同方法的编码数据的质量。
Pocket2Drug：基于目标的药物设计的编码器-解码器深度神经网络
计算建模是现代药物发现的重要组成部分。其最重要的应用之一是选择有希望的药理学相关靶蛋白候选药物。由于结构生物学的不断进步，在与各种疾病相关的众多蛋白质中发现了小有机分子的假定结合位点。这些宝贵的数据为通过应用数据挖掘和机器学习来构建预测靶位结合分子的有效计算模型提供了新的机会。特别是，深度神经网络是一种强大的技术，能够从复杂数据中学习，从而做出明智的药物结合预测。在本文中，我们描述了 Pocket2Drug，这是一种深度图神经网络模型，用于预测给定配体结合位点的结合分子。这种方法首先从大量口袋结构数据集中通过监督训练学习小分子的条件概率分布，然后从训练模型中抽样候选药物。全面的基准模拟表明，与传统的药物选择程序相比，使用 Pocket2Drug 显著提高了找到与靶口袋结合的分子的机会。具体来说，已知结合物针对测试集中存在的多达 80.5% 的靶标生成，而测试集由与用于训练深度图神经网络模型的数据不同的数据组成。总体而言，Pocket2Drug 是一种很有前途的计算方法，可用于指导新型生物制药的发现。
蛋白质集合通过变异自动编码器潜在空间采样
摘要：映射有助于功能的蛋白质构象的整体，可以用小分子药物来靶向，这仍然是一个重大的挑战。在这里，我们探讨了变异自动编码器的使用来减少蛋白质结构合奏生成问题中维度的挑战。我们将高维蛋白质结构数据转换为连续的，低维的表示，在以结构质量度量为导向的空间中进行搜索，然后使用由采样的结构信息引导的Rosettafold来生成3D结构。我们使用这种方法为癌症相关的蛋白质K-RAS生成合奏，在可用的K-Ras晶体结构的子集上训练VAE和MD模拟快照，并评估接近与训练中与晶体结构接近的取样程度。我们发现，我们的潜在空间采样程序迅速生成具有高结构质量的合奏，并且能够在固定晶体结构的1Å内进行采样，其一致性高于MD模拟或Alphafold2预测。采样结构充分概括了固定的K-RAS结构中的隐性口袋，以允许小分子对接。